شناسايي آنومالي هاي ژئوشيميايي چندعنصري با بكارگيري شبكه هاي يادگيري عميق و داده هاي حوزه فركانس فضايي براي پتانسيل يابي كاني سازي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

دكتري

الگوريتم¬هاي يادگيري عميق نتايج بسيار مطلوبي را در طبقه¬بندي و خوشه¬بندي اطلاعات در زمينه¬هاي مختلف علمي در سال¬هاي اخير نسبت به الگوريتم¬هاي يادگيري ماشين سنتي به دست آورده¬اند. بر اين اساس رشته¬هاي علوم زمين از جمله اكتشاف مواد معدني از اين امر مستثني نبوده و با بكارگيري الگوريتم¬هاي يادگيري عميق به موفقيت¬هاي چشم¬گيري دست پيدا كرده است. الگوريتم¬هاي يادگيري عميق قدرت بسيار بالايي در استخراج اطلاعات سطح بالا از ورودي¬هاي غيرخطي پيچيده نشان داده¬اند. از طرفي به توزيع داده¬هاي ورودي حساسيتي ندارند. از ويژگي¬هاي الگوريتم¬ يادگيري عميق، به عمق بيشتر شبكه¬¬هاي آن كه به تعداد لايه¬هاي پردازشي به كار گرفته شده در آن¬ها اطلاق مي¬شود و همچنين عمليات كاهش پيوسته مقادير تابع زيان كه تعميم مداوم وزن¬هاي اختصاص داده شده به لايه¬هاي پردازشي در طول فرآيند يادگيري شبكه به شمار مي¬رود؛ مي¬توان اشاره نمود. اخيراً الگوريتم هاي يادگيري عميق به عنوان ابزاري بسيار قدرتمند براي شناسايي و تفكيك نواحي آنومالي ژئوشيميايي به روش¬هاي پرطرفدار در اين زمينه تبديل شده¬اند. اين الگوريتم¬ها زيرمجموعه¬ منحصر به فرد يادگيري ماشين بوده كه مي¬توانند به صورت حرفه¬اي و با بيش¬ترين دقت آنومالي¬هاي ژئوشيميايي مرتبط با كاني¬سازي را شناسايي كنند. داده¬هاي ژئوشيميايي اغلب به دليل وابستگي بالا به ويژگي¬هاي زمين¬شناسي كه خود از پيچيدگي¬هاي خاصي برخودار هستند؛ به داده¬هاي تركيبي غيرخطي شهرت دارند. از آنجا¬كه الگوريتم¬هاي يادگيري عميق توانايي خود را در استخراج ارتباطات سطح بالا از ورودي¬هاي تركيبي پيچيده ثابت كرده¬اند؛ مي¬توانند به عنوان رويه¬اي قابل اعتماد و دقيق براي شناسايي و تفكيك ناهنجاري¬هاي ژئوشيميايي مورد استفاده قرار بگيرند. از طرفي دخالت دادن علم و تجربه به داخل شبكه¬هاي يادگيري عميق اين امكان را فراهم مي¬سازد كه شبكه آموزش ديده صرفاً داده¬محور تام نبوده و ارائه نتايج نزديك¬تر به واقعيت فراهم شود. در واقع، هدف اين مطالعه شناسايي الگوهاي ناهنجاري ژئوشيميايي چندعنصري توسط الگوريتم¬هاي يادگيري عميق كانولوشني و مولد رقابتي مي باشد. در ابتدا عناصر ردياب مؤثر براي كاني¬سازي-هاي مورد مطالعه در محدوده تخت سليمان و محدوده فيض¬آباد توسط الگوريتم كانولوشني رگرسيون تشخيص داده مي¬شوند. محدوده تخت سليمان قسمتي از زون كاني¬سازي تكاب بوده و در شمال غرب ايران واقع شده است. محدوده فيض¬آباد قسمتي از زون كاني¬سازي تربت حيدريه بوده و در شمال شرق ايران مي¬باشد. داده¬هاي ژئوشيميايي چند عنصري پس از نويززدايي و هموارسازي، توسط الگوريتم كانولوشني تك¬بُعدي طبقه¬بندي مي¬شوند. در نهايت، نقشه¬هاي ژئوشيميايي چندعنصري مورد نياز براي رويه پتانسيل¬يابي كاني¬سازي توسط الگوريتم مولد رقابتي كانولوشني ارائه خواهند شد. نمودارهاي ميزان موفقيت رسم¬شده نشان¬ مي¬دهند كه نواحي آنومالي نقشه¬هاي ژئوشيميايي ايجاد شده توانايي رديابي بيش از 80% رخدادهاي كاني¬سازي را در كمتر از 32 % محدوده مورد مطالعه دارند. همچنين، نمودارهاي ميزان موفقيت ثابت مي¬كنند؛ نقشه ژئوشيميايي رسم شده توسط داده¬هاي حوزه فركانس فضايي با مساحت كم¬تر موفق به شناسايي انديس¬هاي كاني¬سازي بيش¬تر شده است. مقايسه نتايج به دست آمده از به كارگيري روش¬هاي جنگل تصادفي، نزديك¬ترين همسايگي k و ماشين بردار پشتيبان نشان مي¬دهد كه قدرت پيش¬گويي رويكرد پيشنهادي از هر سه روش نظارت¬شده بالاتر است.

233430

اكتشاف مواد معدني

مهندسي معدن

دانشگاه صنعتي اصفهان